vapnik博士的“统计学习理论的本质”中文版的作者张学工的有关统计学习理论的幻灯片。

优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。 文件列表： 数据\a23.xls 数据\a45.xls 数据\B2.xls 数据\b3.xls 数据\B4.xls 数据\B5.xls 数据\bdata1.xls AdaptFunc.m AdaptFunc1.m BaseStepPso.m gaijin.m InitSwarm.m pso.m shorttime.m 基于支持向量机的短期电力负荷预测.doc

随机信号处理大作业，基于LMS和RLS算法更新自适应滤波器的权值向量,画出两种算法的e2(n)曲线作比较，用matlab写的，效果还可以

长期以来，我一直对 MATLAB 中的零阶保持需要 MATLAB 对象（如 timeseries.resample）和有时附加产品（如 Control System Toolbox 或 Simulink）这一事实感到有些困扰。 此函数对向量进行操作并模仿 INTERP1 的语法。 该函数的核心（使用 HISTC）基于未记录的 TSINTERP 函数。 不过，它在速度优化（比 TSINTERP 快 2 倍以上）和处理 NaN 的灵活性方面走得更远。 默认设置的设计考虑到了金融报价数据的快速重采样（用于回溯测试），但非金融用户也会发现价值。

随机傅立叶特征 该存储库提供Python模块rfflearn ，该模块是用于内核方法的随机傅立叶特征[1，2]的库，如支持向量机和高斯过程模型。 该模块的功能包括： 模块的接口非常接近 ， 支持向量分类器和高斯进程回归器/分类器，提供CPU / GPU训练和推理， 与接口，可更轻松地进行超参数调整， 该存储库提供了，该显示RFF对于实际的机器学习任务很有用。 现在，此模块支持以下方法： 方法 CPU支援 GPU支持 典型相关分析 rfflearn.cpu.RFFCCA -- 高斯过程回归 rfflearn.cpu.RFFGPR rfflearn.gpu.RFFGPR 高斯过程分类 rfflearn.cpu.RFFGPC rfflearn.gpu.RFFGPC 主成分分析 rfflearn.cpu.RFFPCA rfflearn.gpu.RFFPCA 回归 rff

使用DEAP数据集中记录的EEG信号对情绪进行分类，以使用机器学习算法（如支持向量机和K - 最近邻）实现高精度得分。 1）将数据集存储在文件夹中 - > data/ 2）运行 runFile.py 文件

使用matlab实现贝叶斯向量自回归模型，可用于经济学中的预测

数与数组的点幂 x.^y =[1^4,2^5,3^6]=[1,32,729] x.^2 =[1^2,2^2,3^2]=[1,4,9] 2 .^x = ? .^ 前面留个空格 例：x=[1 2 3]; y=[4 5 6]; 2 .^[x;y]= ? Matlab中的所有 标点符号必须在 英文状态下输入

matlab精度检验代码弹球损失双支持向量聚类（pinTSVC） 这是该论文的实施：M. Tanveer，Tarun Gupta，Miten Shah，以及阿尔茨海默氏病神经影像学倡议组织。 2020年。弹球损失双支持向量聚类。 ACM Trans。 多媒体计算。 公社应用（接受），共23页。 文件说明： readdataset.m：用于在数据集上运行选定算法的主文件。 在path变量中，专门指定包含您要在其上运行算法的数据集的文件夹的路径。 最终结果存储在results.txt文件中，最佳参数存储在parameters.txt文件中。 main_pintsvc.m：选择pintsvc算法的参数和k倍交叉验证的k值。 可以选择参数c（由变量csv1表示），mu（由变量mus表示）和tau（由变量taus表示）用于网格搜索方法。 pintsvc.m：提出的pinTSVC算法的实现。 获取参数c，mu，tau，训练数据和测试数据，并提供获得的准确性和运行时间。 adding_noise.m：在数据集上添加具有不同标准偏差的零均值高斯噪声。 变量rs是指非零高斯噪声的标准偏差。 为了快速重现

SGP 是第一个轨道传播器。 由于 Kozai 在 1959 年所做的一项研究工作，它由 Hilton 和 Kuhlman 于 1966 年开发。它是为靠近地球轨道运行的卫星而设计的，其中包括轨道周期低于 225 分钟的卫星。 该模型假设偏心率低且近地点高度恒定。 SGP4 是由 Ken Cranford 于 1970 年开发的。它是对之前传播器的改进，目的是跟踪此时轨道上越来越多的卫星。 它也用于近地卫星。 SDP4由Hujsak于1979年开发，是适用于深空天体的SGP4传播器。 这包括轨道周期大于 225 分钟的卫星。 对于高于此值的周期，卫星的轨道会受到月球和太阳的干扰，但也会受到 12 和 24 小时轨道周期的一些共振效应的干扰。 SGP8 也用于近地卫星，与 SGP4 传播器类似，但计算方法不同。 然而，它遵循相同的大气和重力效应模型。 SDP8 是适用于深空效应的 SGP8